Loading
Blog
Recent ActivityRecent Activity

Una fabricación automotriz más inteligente

Compartir:

LinkedInLinkedIn
XX
FacebookFacebook
PrintPrint
EmailEmail
Una fabricación automotriz más inteligente  hero image

La industria automotriz no es ajena al Big Data. Los fabricantes de automóviles llevan décadas analizando los datos provenientes de las reclamaciones de garantía, de los informes de mantenimiento y de unos coches cada vez más conectados e inteligentes para mejorar la experiencia de los consumidores, el rendimiento de los concesionarios y la calidad de los vehículos. 

Y, aunque estas actividades han sido las que han llamado la atención del público, el Big Data también se ha ido extendiendo por la planta de fabricación a medida que las marcas de automóviles y los proveedores de componentes han ido abrazando la transformación digital y adoptando tecnologías inteligentes. En el entorno de fabricación el reto consiste en cómo aprovechar de la mejor forma posible la enorme cantidad de datos que generan los activos inteligentes para mejorar el rendimiento a corto y largo plazo.

Dimensionamiento correcto

El uso de plataformas de análisis y de servicios basadas en la nube ha ido creciendo en paralelo al de dispositivos inteligentes, lo que ha permitido a los fabricantes obtener más valor en su inversión digital. De hecho, muchos fabricantes de automóviles han adoptado este tipo de plataformas para agregar, analizar y convertir sus datos en inteligencia de negocio.

Sin embargo, y a pesar de los avances, muchos fabricantes no logran hacer llegar a sus operadores la información necesaria para mejorar el rendimiento de la planta en tiempo real.

¿Por qué? El envío de datos a través de una plataforma basada en la nube es perfecto para los análisis y para la toma de decisiones a nivel de empresa, procedimientos con plazos flexibles. Sin embargo, estas herramientas pueden encontrar un tráfico excesivo en la red o retrasarse en el envío de información contextualizada y oportuna, lo que impide que en la planta de fabricación los trabajadores puedan tomar las acciones correctivas apropiadas.

En otras palabras, el ciclo de análisis para controlar el sistema no se cierra lo suficientemente rápido como para producir un impacto inmediato. 

Análisis escalable: un modo más rápido de optimización

Las plataformas de análisis escalable cierran el círculo con más rapidez entre el Big Data y la planta de fabricación. Para ello, integran herramientas de análisis y capacidades de machine learning más cerca del origen de la información y de los que toman las decisiones a nivel de planta.

Por ejemplo, en cualquier planta de ensamblaje automotriz se utilizan variadores de velocidad para controlar los motores de los transportes inteligentes de gestión de materiales. Los variadores de CA modernos monitorizan de forma continua el par y la corriente de salida, cuyos valores están directamente correlacionados con el estado de las piezas mecánicas de los motores. Estos variadores pueden configurarse para que emitan advertencias cuando los parámetros sobrepasen ciertos límites. Y no solo eso, también pueden utilizarse los valores proporcionados por los sensores de temperatura, vibración, etc. para capturar información crítica sobre las condiciones de la maquinaria y generar los informes correspondientes.

La monitorización y análisis continuos de estos y otros parámetros operativos pueden predecir el desgaste o deslizamiento de las correas de esta maquinaria —y también problemas con los rodamientos o con las bobinas de los motores— antes de que provoquen tiempos improductivos imprevistos. Pero una estrategia de mantenimiento óptima precisa que estos análisis cuenten con visibilidad en el momento oportuno.

Descargar el eBook

Y para conseguirlo, esta nueva solución de análisis ofrece una respuesta a nivel de dispositivo. Se trata de una solución —suministrada en un dispositivo enchufable— capaz de rastrear las redes industriales y de descubrir los activos, tales como variadores de CA o sensores de estado. El sistema genera análisis útiles a partir de los datos obtenidos gracias a sus informes preconfigurados con indicadores de estado y de diagnóstico.

A medida que el dispositivo recopila información cómo los dispositivos se relacionan entre sí —determinando relaciones de causalidad entre fallos, por ejemplo— va comprendiendo el sistema en el que se ha instalado y puede realizar recomendaciones prescriptivas. Por ejemplo, si fuese necesario reconfigurar un variador para mantener un rendimiento óptimo, el sistema puede enviar una acción al smartphone o a la tablet del usuario.

En última instancia, este enfoque prescriptivo permite a los equipos de mantenimiento ser más proactivos y ayuda a minimizar los posibles tiempos improductivos. 

Un cambio en las reglas del juego para la fabricación automotriz 

El análisis escalable está cambiando por completo las reglas del juego en las aplicaciones discretas de la industria del automóvil. Y, además, su enfoque transformador también promete ser vital en procesos continuos complejos en los que el machine learning pueda tener un impacto significativo en la calidad del producto y en la velocidad de fabricación.

¿Un ejemplo? La producción de baterías de celdas prismática. A igual volumen, las celdas prismáticas proporcionan más energía que las cilíndricas, de ahí que cada vez tengan mayor aceptación en el mercado de vehículos eléctricos.

Sin embargo, para producir este tipo de celdas de batería son necesarios sistemas de gran precisión, que utilizan mucho movimiento y que ejecutan un procesamiento continuo. La optimización de procesos en este tipo de entornos dinámicos y multivariables no es tarea fácil. Es un reto hecho a la medida de los análisis escalables y el machine learning.

Estos sistemas, gracias al uso de modelos matemáticos dinámicos, aprenden a reconocer el impacto que una variable tiene sobre otra y ajustan automáticamente las acciones posteriores para conseguir un resultado óptimo. Al mismo tiempo, envían análisis críticos a los operadores —como gráficos SPC— que hacen posible una monitorización continua de la calidad y realizan ajustes de forma proactiva.

Tenga en cuenta, además, que un enfoque escalable como este puede ampliarse también a procesos y máquinas y no limitarse a actuar sobre los dispositivos. La plataforma también puede integrarse con sistemas MES, OEE y otros sistemas de análisis y de operaciones de fabricación para impulsar la optimización en toda la empresa, en áreas tan diversas como la programación de producción o la gestión energética. 

Descubra más sobre análisis escalable y sobre cómo tomar mejores decisiones en el propio origen de los datos.

Coautor Todd Montpas
Director de producto de software de información, Rockwell Automation

Publicado 28 de junio de 2019

Temas: Industrias automotriz y de neumáticos

Bill Sarver
Bill Sarver
Senior Consultant, Global Automotive Industry, Rockwell Automation
Conectar:
EmailEmail
Subscribe

Subscribe to Rockwell Automation and receive the latest news, thought leadership and information directly to your inbox.

Suscríbase

Recomendado para usted

Loading
  1. Chevron LeftChevron Left Página principal de Rockwell Automation Chevron RightChevron Right
  2. Chevron LeftChevron Left Empresa Chevron RightChevron Right
  3. Chevron LeftChevron Left Noticias Chevron RightChevron Right
  4. Chevron LeftChevron Left Blogs Chevron RightChevron Right
Actualice sus preferencias de cookies para continuar.
Esta función requiere cookies para mejorar su experiencia. Actualice sus preferencias para permitir estas cookies.:
  • Cookies de Redes Sociales
  • Cookies Funcionales
  • Cookies de Performance
  • Cookies de Marketing
  • Todas las cookies
Puede actualizar sus preferencias en cualquier momento. Para más información, vea nuestro {0} Política de Privacidad
CloseClose